机器学习（十一）：K-Means算法

1. K-Means

1.1 核函数的另一种观点

之前我们提到过高斯核函数：

$$K(x_1,x_2)=\phi(x_1)\phi(x_2)=exp(\eta||x_1-x_2||^2)$$ 当时我们是把 $\phi(x)$当做对x进行无限维的特征转换。
其实根据高斯函数的形状，我们可以将其视为：对 $x_1,x_2$相似性的度量/距离的度量。
那么这样再来看SVM的话： $$g_{SVM}=sign(\sum_{SV}\alpha_ny_nexp(-\eta||x-x_n||^2)+b)$$ 那么我们重新解决SVM,如果 $x,x_n$相似度很高，那么 αnexp(−η|